您现在的位置: 首页 > 网站导航收录 > 百科知识百科知识

(基金预测净值估测)-如何预测基金的走势图

身分,要领,基金(基金预测净值估测)-如何预测基金的走势图

发布时间：2020-12-06加入收藏来源：互联网点击：

1、作为西学东渐–外洋文献推荐系列陈诉第四十二篇，本文推荐了David Byrd, Sourabh Bajaj, and Tucker Hybinette Balch于2019年颁发的论文《Fund Asset Inference Using Machine Learning Methods: What’s in That Portfolio?》。

2、在只有大型配合基金的汗青资产净值下，要想找基金持有哪些股票是很费时的。譬喻要从500只股票中构建一个股票数为30的投资组合，那么大概的股票组合将有C（500，30）或1.4×10^48种，即便利用当今机能最高的计较器来揣度身分股也需要数百万年。

3、针对计较费时的问题，本文除了扩揭示有的线性克隆要领（Extended Linear Clones Method）外，还引入了一种新的顺序振荡选择要领（Sequential Oscillating Selection Method），通过“智能”的方法摸索股票池，从而能更快的找到投资组称身分股。这些办理方案在金融规模有很多潜在的应用，譬喻检测基金司理的财政装饰，可能基于大型基金持仓预测所开拓的套利计策等。

4、按照差异的持仓问题，扩展线性克隆算法运行耗时3到4秒，精确度漫衍在6.8％至72.5％之间，表白传统线性克隆算法的延伸不能很好地处理惩罚身分股未知时的基金持仓预测。顺序振荡选择算法运行耗时8到15秒，精确度漫衍在88.2％至98.6％之间，在计较上固然比ELC慢，但它在一般的条记本电脑上只需10秒即可完成，且分类精度的提高也很显著。

风险提示：文献中的功效均由相应作者通过汗青数据统计、建模和测算完成，在政策、市场情况产生变革时模子存在失效的风险。

一、引言

在只有大型配合基金的汗青资产净值下，该如何得知基金持有哪些股票？要想找到一组准确的谜底是很费时的，譬喻要从500只股票中构建一个股票数为30的投资组合，那么大概的股票组合将有C（500，30）或1.4×1048种，即便利用当今机能最高的计较器来揣度身分股也需要数百万年。为了办理计较费时的问题，本文除了扩揭示有的线性克隆要领（Extended Linear Clones Method）外，还引入了一种新的顺序振荡选择要领（Sequential Oscillating Selection Method）。这些要领可以检测基金的财政装饰，可能构建基于大型基金持仓预测所开拓的套利计策。本文通过预测ETF的身分股来测试这些要领的有效性，按照差异的持仓问题，扩展线性克隆算法运行耗时3到4秒，精确度漫衍在6.8％至 72.5％之间，表白传统线性克隆算法的延伸不能很好地处理惩罚身分股未知时的基金持仓预测。顺序振荡选择算法运行耗时8到15秒，精确度漫衍在88.2％至98.6％之间，在计较上固然比ELC慢，但它在一般的条记本电脑上只需10秒即可完成，且分类精度的提高也很显著。

在给定一组投资组合代价时间序列的环境下，对付一个身分个数未知的投资组合，我们的方针是预测其详细身分股和权重。思量一个详细的例子：给出大型配合基金的汗青资产净值（NAV），那么该基金持有了尺度普尔500指数中哪些股票？权重是几多？这个问题的办理方案有很多实际的应用，譬喻检测财政装饰，基金大概在陈诉截至日期之前从头布置其投资组合，以显示其持有诺言精采的股票，而实际上却一直持有风险资产。而能预测持仓的投资者可以在重要的持仓披露日期之前先调解本身股票的仓位，从而在披露后获取利润（被动指数投资者为了复制指数会随着调解本身的仓位）。

从已往的研究来看，Sharpe（1992）办理了预测基金袒露于哪些遍及资产类此外问题。Edirisinghe（2013），Chen和Kwon（2012）以及其他人办理了指数跟踪的问题（假设投资组合的身分是先验已知的）。然而，我们的要领是在事先不知道任何特别信息的环境下揣度出详细的资产及其权重。我们所知道的资讯只有股票池中每只股票的逐日收盘价，以及方针投资组合的逐日净资产。

本文的第一个要领是基于Hasanhodzic和Lo（2007）的线性克隆要领。原本的线性克隆要领是在身分股C已知的环境下，模子能预计出组合的权重W。我们的扩展是在应用线性克隆要领得到权重W之前先预测身世分股C。换句话说，现有技能回收已知的C去预计W，而我们扩展了这个问题，即假如不知道身分股C该如何操纵？在第二个要领中我们团结了Sharpe与一种呆板进修技能—顺序前向选择（SFFS）算法（Somol等人，1999），通过“智能”方法摸索候选投资组合，从而能更快的找到有效的子集。模子的方针是预测配合基金的持仓，以ETF作为示范(尽量ETF有更富厚的数据，但我们假设可用的数据只有逐日资产净值和按期的持股披露)，我们通过预测ETF的身分股来测试这些模子的有效性。

二、配景和相关事情

本文到此结束，希望对大家有所帮助呢。